The Unreasonable Effectiveness of Patches in Deep Convolutional Kernels\n Methods
Notice bibliographique
Résumé
A recent line of work showed that various forms of convolutional kernel\nmethods can be competitive with standard supervised deep convolutional networks\non datasets like CIFAR-10, obtaining accuracies in the range of 87-90% while\nbeing more amenable to theoretical analysis. In this work, we highlight the\nimportance of a data-dependent feature extraction step that is key to the\nobtain good performance in convolutional kernel methods. This step typically\ncorresponds to a whitened dictionary of patches, and gives rise to a\ndata-driven convolutional kernel methods. We extensively study its effect,\ndemonstrating it is the key ingredient for high performance of these methods.\nSpecifically, we show that one of the simplest instances of such kernel\nmethods, based on a single layer of image patches followed by a linear\nclassifier is already obtaining classification accuracies on CIFAR-10 in the\nsame range as previous more sophisticated convolutional kernel methods. We\nscale this method to the challenging ImageNet dataset, showing such a simple\napproach can exceed all existing non-learned representation methods. This is a\nnew baseline for object recognition without representation learning methods,\nthat initiates the investigation of convolutional kernel models on ImageNet. We\nconduct experiments to analyze the dictionary that we used, our ablations\nshowing they exhibit low-dimensional properties.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».